NANOSEC_PER_MICRO = 1000
response_times = pd.read_csv('report.csv')
response_times.columns = ['response_times_ns']
rtmis = response_times.response_times_ns / NANOSEC_PER_MICRO
response_times.head()
| response_times_ns | |
|---|---|
| 0 | 3485227.0 |
| 1 | 3444233.0 |
| 2 | 3661443.0 |
| 3 | 3042088.0 |
| 4 | 2661322.0 |
fig = go.Figure(data=[go.Histogram(x=rtmis)])
fig.update_layout(
title="Distribuição dos tempos de resposta para controle da caldeira",
xaxis_title="Tempo de resposta [μs]",
yaxis_title="Contagem",
)
fig.show()
print(f'Numero de amostras: {response_times.shape[0]}')
print(f'Media: {rtmis.mean()} μs')
print(f'Mediana: {rtmis.median()} μs')
print(f'Desvio padrao: {rtmis.std()} μs')
print(f'Max: {rtmis.max()} μs')
print(f'Min: {rtmis.min()} μs')
Numero de amostras: 10999 Media: 949.0410052732068 μs Mediana: 853.923 μs Desvio padrao: 494.95804201949034 μs Max: 14516.942 μs Min: 351.559 μs
Podemos notar pelo histograma e pelas estatísticas que na média possuimos uma margem de mais de 90%. Portanto, seria possível reduzir o período de cada ciclo de execução.